Introducción¶
En el presente informe se ofrece un análisis exploratorio de los datos relativos a la producción eléctrica en España y su precio entre los años 2015 y 2018.
Estos datos comprenden básicamente información relativa a la cantidad de energía producida atendiendo a los distintos medios de generación, así como la producción total real y la esperada, y el precio real y el esperado. Toda esta información se desglosa por horas.
El objetivo de este análisis en conocer como se relaciona cada medio de generación con la producción total de energía y esta con el precio.
Carga de librerias¶
Se cargan las librerias necesarias para realizar el análisis exploratorio.
import numpy as np
import pandas as pd
from pandas_profiling import ProfileReport
import seaborn as sns
import matplotlib as mpl
import matplotlib.pyplot as plt
%matplotlib inline
Carga de datos¶
Se carga el dataframe que va a ser analizado en este informe.
energy = pd.read_csv('../data/energy_dataset.csv', delimiter = ',')
Tratamiento de datos¶
En primer lugar se carga el dataset para tener una idea visual de como se organiza. Puesto que no se muestra al completo, posteriormente se muestra el nombre de todas las variables.
energy
energy.columns
Se cambia el nombre de las variables para hacerlos mas sencillos y manejables.
energy.columns = ['time', 'biomass', 'lignite', 'coal_dev_gas', 'gas', 'hard_coal', 'oil', 'oil_shale', 'peat',
'geothermal', 'hydro_pumped_storage_aggregated', 'hydro_pumped_storage_consumption',
'hydro_run_river', 'hydro_water_reservoir', 'marine', 'nuclear', 'other',
'other_renewable', 'solar', 'waste', 'wind_offshore', 'wind_onshore', 'forecast_solar_day_ahead',
'forecast_wind_offshore_day_ahead', 'forecast_wind_onshore_day_ahead',
'total_load_forecast', 'total_load_actual', 'price_day_ahead',
'price_actual']
Se eliminan las variables vacias o que unicamente contienen 0 o están vacias. Para ello se realiza primero un sumatorio por variables y se descartan aquellas que suman 0.
energy.sum()
energy = energy.drop(['coal_dev_gas', 'oil_shale', 'peat', 'geothermal',
'hydro_pumped_storage_aggregated', 'marine', 'wind_offshore'], axis=1)
Se eliminan variables relativas a la previsión de producción eléctrica de energías renovables, ya que no van a ser utilizadas.
energy = energy.drop(['forecast_solar_day_ahead', 'forecast_wind_offshore_day_ahead', 'forecast_wind_onshore_day_ahead'],
axis=1)
Puesto que la variable 'time' contiene información tanto de la fechacomo de la hora en una sola columna se divide en dos. Para ellos se crea una nueva columna con los datos relativos únicamente a la fecha y otra con las información acerca de la hora. A partir de esta última columna se crea una nueva que contiene solamente la hora y se ignora la huso horario, puesto que todos los datos corresponden a un mismo país.
Al terminar se eliminan tanto la columna 'time' original como la columna intermedia utilizada para la hora y se reordenan las variables para que las nuevas aprezcan al principio del dataset.
energy['time']
energy['date'] = energy.time.str.split(' ').str[0]
energy['hour1'] = energy.time.str.split(' ').str[1]
energy['hour'] = energy.hour1.str.split('+').str[0]
energy = energy.drop(['time', 'hour1'], axis=1)
energy = energy.reindex(columns = ['date', 'hour', 'biomass', 'lignite', 'gas', 'hard_coal', 'oil',
'hydro_pumped_storage_consumption', 'hydro_run_river','hydro_water_reservoir', 'nuclear', 'other',
'other_renewable', 'solar', 'waste', 'wind_onshore', 'total_load_forecast',
'total_load_actual', 'price_day_ahead', 'price_actual'])
energy.head()
Se observa la información relativa a las variables con las que se va a desarrollar el análisis.
energy.info()
Se observa en número de valores nulos, no son significativos.
energy.isnull().sum(axis=0)
Definición de las variables:¶
- date: fecha, en formato AAAA-MM-DD.
- hour: hora, en formato hh:mm:ss.
- biomass: producción electrica generada por biomasa en MW (megavatios).
- lignite: producción eléctrica generada por lignito en MW (megavatios).
- gas: producción eléctrica generada por gas en MW (megavatios).
- hard_coal: producción eléctrica generada por gas en MW (megavatios).
- oil: producción eléctrica generada por petroleo en MW (megavatios).
- hydro_pumped_storage_consumption: producción eléctrica generada por centrales hidroeléctricas reversibles en MW (megavatios).
- hydro_run_river: producción eléctrica generada por centrales hidroeléctricas de pasada en MW (megavatios).
- hydro_water_reservoir: producción eléctrica generada por centrales hidroeléctricas convencionales en MW (megavatios).
- nuclear: producción eléctrica generada por energía nuclear en MW (megavatios).
- other: producción eléctrica generada por otras fuentes de energía en MW (megavatios).
- other_renewable: producción electrica generada por otras fuentes de energía renovable en MW (megavatios).
- solar: producción eléctrica generada por energía solar en MW (megavatios).
- waste: producción eléctrica generada por aprovechamiento de residuos en MW (megavatios).
- wind_onshore: producción eléctrica generada por energía eólica terrestre en MW (megavatios).
- total_load_forecast: demanda eléctrica esperada en MW (megavatios).
- total_load_actual: demanda eléctrica real en MW (megavatios).
- price_day_ahead: precio esperado en EUR/MWh (megavatios por hora).
- price_actual: precio real en EUR/MWh (megavatios por hora).
Analisis de datos¶
Se presenta una tabla con los estadísticos básicos de las variables.
energy.describe()
Se realiza un breve resumen de un análisis de datos para tener una idea inicial de las variables.
resumen_eda = ProfileReport(energy,title="EDA energy")
resumen_eda
energy.hist(figsize = (15, 15), bins = 30)
energy.corr()
f, ax = plt.subplots(figsize=(30,20))
sns.heatmap(energy.corr() , mask = np.triu(np.ones_like(energy.corr(), dtype = bool)),
cmap=sns.diverging_palette(220, 10, as_cmap=True), square=True, ax=ax)
Se observa que en general las variables no presentan demasiada correlación.
Una excepción a esto son las variables 'total_load_actual' y 'total_load_forecast', lo cual tiene sentido teniendo en cuenta que se trata de la previsión de producción y la producción real. En este punto merece la pena señalar que la correlación entre las variables 'price_day_ahead' y 'price_actual', que representan el precio previsto y el precio real de la energía, no es tan alta como entre las variables arriba mencionadas, lo que indica que la previsión que se hace de la generación en mejor que la del precio.
Por otra parte, otras correlaciones destacables se producen entre las fuentes de energía fósil y las renovables, en este caso de tipo negativo. Esto es debido a que la producción comienza siempre por las renovables y en la parte que falte para alcanzar la demanda se genera con fuentes de energía fósiles.
En cuanto a las correlaciones entre precio y producción, se encuentran entorna a 0.5 .
fig, ax = plt.subplots(nrows = 1, figsize = (40, 10))
ax = sns.lineplot(x = 'date', y = 'price_actual', data = energy, label = 'precio real')
ax = sns.lineplot(x = 'date', y = 'price_day_ahead', data = energy, label = 'precio previsto')
ax.set(ylabel = 'Relación precios')
ax.legend()
plt.show()
fig, ax = plt.subplots(nrows = 1, figsize = (40, 10))
ax = sns.lineplot(x = 'date', y = 'total_load_actual', data = energy, label = 'producción real')
ax = sns.lineplot(x = 'date', y = 'total_load_forecast', data = energy, label = 'producción prevista')
ax.set(ylabel = 'Relación producciones')
ax.legend()
plt.show()
En los gráficos superiores se observa la evolución de los precios y de la producción a lo largo del tiempo. Por un lado, se observa que los precios son más estables que la producción y por otro, se confirma lo visto anteriormente en las correlaciones, al estar las lineas de producción real y estimada prácticamente superpuestas mientras las de los precios real y previsto presentan más diferencias.
pasc = energy.price_actual - energy.price_actual.mean()
pdasc = energy.price_day_ahead - energy.price_day_ahead.mean()
tlasc = energy.total_load_actual - energy.total_load_actual.mean()
tlfsc = energy.total_load_forecast - energy.total_load_forecast.mean()
energysc = pd.DataFrame({ 'scdate': energy.date, 'pasc': pasc,'pdasc': pdasc, 'tlasc': tlasc, 'tlfsc': tlfsc})
fig, ax = plt.subplots(nrows = 1, figsize = (40, 10))
ax = sns.lineplot(x = 'scdate', y = 'pasc', data = energysc, label = 'precio real')
ax = sns.lineplot(x = 'scdate', y = 'tlasc', data = energysc, label = 'producción prevista')
ax.set(ylabel = 'Relación precio y producción')
ax.legend()
plt.show()
